4

我正在使用 ElementTree 来解析 XML 文件。在某些字段中，会有 HTML 数据。例如，考虑如下声明：

<Course>
    <Description>Line 1<br />Line 2</Description>
</Course>

现在，假设 _course 是一个包含这个 Couse 元素的 Element 变量。我想访问这门课程的描述，所以我这样做：

desc = _course.find("Description").text;

但随后 desc 仅包含“第 1 行”。我读了一些关于 .tail 属性的东西，所以我也尝试了：

desc = _course.find("Description").tail;

我得到相同的输出。我应该怎么做才能使 desc 成为“第 1
行第 2 行”（或字面上的任何介于 and 之间的内容）？换句话说，我正在寻找类似于 C#（以及我猜的许多其他语言）中的 .innerText 属性的东西。

4

4 回答 4

3

您对 xml 文件的创建有任何控制权吗？应对包含 xml 标签（或类似标签）或标记字符（' <' 等）的 xml 标签的内容进行编码以避免此问题。您可以使用以下任一方法执行此操作：

  • CDATA部分_
  • Base64 或其他一些编码（不包括 xml 保留字符）
  • 实体编码（' <' ==' &lt;'）

如果您不能进行这些更改，并且 ElementTree 不能忽略未包含在 xml 架构中的标签，那么您将不得不对文件进行预处理。当然，如果架构与 html 重叠，那么您就不走运了。

于 2009-07-06T18:22:37.567 回答
3

您正在尝试从错误的元素中读取 tail 属性。尝试

desc = _course.find("br").tail;

tail 属性用于在读取混合内容 XML 文件时存储尾随文本节点；紧跟在元素之后的文本存储在该元素的 tail 属性中：

    <tag><elem>这进入了elem的
    文本属性</elem>这进入
    elem 的尾部属性</tag>

用于打印 xml/xhtml 中所有元素的文本和尾部属性的简单代码片段。

将 xml.etree.ElementTree 导入为 ET

def processElem(elem):
    如果 elem.text 不是无：
        打印元素.text
    对于 elem 中的孩子：
        processElem（孩子）
        如果 child.tail 不是无：
            打印child.tail

xml = '''<课程>
    <Description>第 1 行<br />第 2 行 <span>子文本</span>子尾部</Description>
    </课程>'''

根 = ET.fromstring(xml)
processElem（根）

输出：

1号线
2号线
子文本
孩子尾巴

请参阅http://code.activestate.com/recipes/498286-elementtree-text-helper/以获得更好的解决方案。它可以修改以适应。

PS 我从下一篇文章中引用的 user839338 更改了我的名字

于 2011-07-11T17:13:53.223 回答
1

“<”和“&”之类的字符在 XML 元素中是非法的。

"<" 将产生错误，因为解析器将其解释为新元素的开始。

"&" 将产生错误，因为解析器将其解释为字符实体的开始。

一些文本，如 JavaScript 代码，包含很多“<”或“&”字符。为避免错误，脚本代码可以定义为 CDATA。

解析器会忽略 CDATA 部分中的所有内容。

CDATA 部分以“”开头：

更多信息：http ://www.w3schools.com/xml/xml_cdata.asp

希望这可以帮助！

于 2009-07-06T18:25:28.230 回答
1

受user839338 的回答启发，我没有寻找一个合理的解决方案，看起来有点像这样。

>>> from xml.etree import ElementTree as etree
>>> corpus = '''<Course>
...     <Description>Line 1<br />Line 2</Description>
... </Course>'''
>>> 
>>> doc = etree.fromstring(corpus)
>>> desc = doc.find("Description")
>>> desc.tag = 'html'
>>> etree.tostring(desc)
'<html>Line 1<br/>Line 2</html>\n'
>>>

没有简单的方法可以消除周围的标签（最初是<Description>），但它很容易修改为可以根据需要使用的东西，例如<div>或<span>

于 2011-07-15T17:46:02.687 回答